|
1. hafta
|
|
Giriş yapılır; yapay zekâ, makine öğrenmesi ve derin öğrenme kavramları arasındaki farklar, tarihsel gelişim ve büyük veri bağlamındaki yeri açıklanır. |
|
|
2. hafta
|
|
Yapay sinir ağlarının temelleri, yapay nöron modeli, aktivasyon fonksiyonları ve ileri beslemeli basit ağlar üzerinde durulur. |
|
|
3. hafta
|
|
İleri yayılım, hata fonksiyonları ve geri yayılım algoritmasıyla ağların nasıl eğitildiği anlatılır. |
|
|
4. hafta
|
|
Optimizasyon yöntemlerine geçilir; SGD, Momentum, RMSProp ve Adam gibi algoritmalar örneklerle incelenir. |
|
|
5. hafta
|
|
Hafta aşırı öğrenme (overfitting) sorunu ele alınır; düzenlileştirme teknikleri, dropout, veri artırma yöntemleri işlenir. |
|
|
6. hafta
|
|
Python ortamında kullanılan derin öğrenme kütüphaneleri (TensorFlow, PyTorch) tanıtılır ve küçük bir sinir ağı uygulaması yapılır. |
|
|
7. hafta
|
|
Çok katmanlı derin sinir ağları (DNN) ayrıntılı olarak incelenir ve basit sınıflandırma problemleri üzerinde uygulama yapılır. |
|
|
8. hafta
|
|
Evrişimli sinir ağlarının (CNN) mantığı, katman yapıları ve görüntü işleme alanındaki uygulamaları gösterilir. |
|
|
9. hafta
|
|
Özyinelemeli sinir ağları (RNN) ele alınır; zaman serisi ve metin gibi sıralı verilerde kullanımı, LSTM ve GRU modelleriyle birlikte anlatılır. |
|
|
10. hafta
|
|
Doğal dil işleme uygulamaları işlenir; embedding yöntemleri, Word2Vec ve temel metin sınıflandırma çalışmaları yapılır. |
|
|
11. hafta
|
|
Encoder–decoder mimarileri ve seq2seq modelleri tanıtılır, attention mekanizmasına giriş yapılır. |
|
|
12. hafta
|
|
Modern yaklaşımlar üzerinde durulur; Transformer mimarisi ayrıntılı incelenir ve BERT, GPT gibi modellerin temel prensipleri tartışılır. |
|
|
13. hafta
|
|
Derin öğrenmenin farklı uygulama alanları (görüntü, metin, ses işleme) ve büyük veri ekosistemleriyle entegrasyonu ele alınır. |
|
|
14. hafta
|
|
Dönem projeleri öğrenciler tarafından sunulur, derste öğrenilen konular özetlenir ve gelecekteki derin öğrenme trendleri değerlendirilir. |
|